童榮瑜，李 營(yíng)，李 儒，吳 強(qiáng)，梁子豪

（1.中國(guó)礦業(yè)大學(xué)（北京）地球科學(xué)與測(cè)繪工程學(xué)院，北京 100083；2.生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心，北京 100094；3.中國(guó)科學(xué)院 空天信息創(chuàng)新研究院，北京 100094；4.中國(guó)人民大學(xué)環(huán)境學(xué)院，北京 100872）

我國(guó)特殊的地質(zhì)環(huán)境條件決定了地質(zhì)災(zāi)害呈長(zhǎng)期高發(fā)態(tài)勢(shì)[1]，如何從高分辨率影像中快速、準(zhǔn)確、低成本地提取出山區(qū)公路兩側(cè)中小規(guī)模滑坡信息，已成為遙感技術(shù)應(yīng)用于滑坡防治需要解決的重要工程問(wèn)題之一。近些年無(wú)人機(jī)遙感技術(shù)迅速發(fā)展，可以機(jī)動(dòng)靈活、低成本、快速及時(shí)的獲取監(jiān)測(cè)區(qū)域高空間分辨率影像數(shù)據(jù)?；跓o(wú)人機(jī)一次飛行獲取的數(shù)據(jù)，可以同步生產(chǎn)高精度的數(shù)字正射影像、數(shù)字地表模型產(chǎn)品，這些為構(gòu)建滑坡監(jiān)測(cè)區(qū)域高精度三維模型提供了現(xiàn)實(shí)條件。因此，針對(duì)如何解決遙感技術(shù)應(yīng)用于中小規(guī)?；滦畔⒖焖贉?zhǔn)確提取的問(wèn)題，本文采用旋翼無(wú)人機(jī)搭載相機(jī)，使用傾斜攝影的拍攝方式，獲取監(jiān)測(cè)區(qū)域圖像并完成數(shù)字地表模型與數(shù)字正射影像數(shù)據(jù)生產(chǎn)。使用面向?qū)ο蠓诸惙椒ǔ浞掷脽o(wú)人機(jī)數(shù)據(jù)，引入可見(jiàn)光差異植被指數(shù)、坡度、形狀等特征作為分類參數(shù)，運(yùn)用了隸屬度函數(shù)與決策樹分類等方法實(shí)現(xiàn)了中小規(guī)?；滦畔⒌奶崛?。

1 研究區(qū)概況與數(shù)據(jù)獲取

本文以城步苗族自治縣境內(nèi)湖南金童山國(guó)家級(jí)自然保護(hù)區(qū)內(nèi)某條山區(qū)公路修建區(qū)域?yàn)檠芯繀^(qū)，經(jīng)度范圍為110.177°E ～110.219°E，緯度范圍為26.173°N～26.228°N。研究區(qū)長(zhǎng)約6 km，寬約1.3 km，面積約7.8 km2，海拔范圍約為540～1 750 m。湖南金童山國(guó)家級(jí)自然保護(hù)區(qū)是一個(gè)以保護(hù)中亞熱帶常綠闊葉林生態(tài)系統(tǒng)及其保護(hù)區(qū)內(nèi)棲息的生物物種為主要保護(hù)對(duì)象的森林生態(tài)類型自然保護(hù)區(qū)[2]，研究區(qū)內(nèi)主要為山地地形，地勢(shì)起伏較大，且有一條山區(qū)道路經(jīng)過(guò)。因公路建設(shè)對(duì)生態(tài)與地質(zhì)環(huán)境造成破壞，滑坡風(fēng)險(xiǎn)較高。根據(jù)2019 年國(guó)家重點(diǎn)生態(tài)功能區(qū)縣域生態(tài)環(huán)境質(zhì)量考核工作要求，對(duì)自然保護(hù)區(qū)內(nèi)縣域生態(tài)環(huán)境變化與人類活動(dòng)信息均需重點(diǎn)關(guān)注。對(duì)保護(hù)區(qū)內(nèi)公路及其他基礎(chǔ)設(shè)施建設(shè)引發(fā)的滑坡監(jiān)測(cè)既關(guān)系到保護(hù)區(qū)基礎(chǔ)設(shè)施安全，也是保護(hù)區(qū)生態(tài)監(jiān)測(cè)的重要工作之一。具體研究區(qū)位置與數(shù)據(jù)獲取如圖1 所示。

圖1 研究區(qū)與數(shù)據(jù)獲取示意圖

高空間分辨率影像數(shù)據(jù)、高精度三維數(shù)據(jù)是滑坡監(jiān)測(cè)的重要數(shù)據(jù)源，因此本文采用多旋翼無(wú)人機(jī)開展研究區(qū)域航飛數(shù)據(jù)獲取，一次飛行可以完成光學(xué)影像與三維地表模型的數(shù)據(jù)生產(chǎn)。此外，研究區(qū)地處山區(qū)，地形起伏大，為構(gòu)建高精度三維數(shù)據(jù)和保留地物的側(cè)面紋理信息，無(wú)人機(jī)搭載雙鏡頭，采用傾斜攝影進(jìn)行數(shù)據(jù)獲取，同時(shí)保證旁向重疊度在70%以上，航向重疊度在80%以上。為保證數(shù)據(jù)成果的測(cè)繪精度，同步實(shí)地布設(shè)并量測(cè)像控點(diǎn)。內(nèi)業(yè)處理方面，經(jīng)數(shù)據(jù)整理-空三解算-像控點(diǎn)刺點(diǎn)-空三建模-成果輸出步驟，并經(jīng)過(guò)成果質(zhì)量檢查，獲取研究區(qū)高精度數(shù)字正射影像與數(shù)字地表模型產(chǎn)品，其中數(shù)字正射影像空間分辨率為0.1 m，具有可見(jiàn)光波段紅、綠、藍(lán)波段光譜信息，成像清晰，能真實(shí)反映實(shí)際地物分布；數(shù)字地表模型（DSM）是指包含了地表建筑物、橋梁和樹木等高度的地面高程模型，是在數(shù)字高程模型基礎(chǔ)上進(jìn)一步涵蓋了除地面以外的其他地表信息的高程。本文獲取的數(shù)字地表模型空間分辨率為0.1 m，可以真實(shí)地刻畫地面起伏情況，在其基礎(chǔ)上，可以對(duì)地表形態(tài)進(jìn)行地形屬性計(jì)算及特征提取。

2 研究方法

2.1 面向?qū)ο蠓诸惙椒?/h3>

面向?qū)ο蟮姆诸惙椒ㄍㄟ^(guò)設(shè)置分割尺度、形狀因子、光譜特征、波段權(quán)重、光滑度等參數(shù)將相同特征的像元?dú)w為同質(zhì)對(duì)象，根據(jù)目標(biāo)地類的特征屬性建立模糊判別規(guī)則，對(duì)同質(zhì)性對(duì)象進(jìn)行影像分類及信息提取。該方法突破了傳統(tǒng)影像分類方法，利用像元的光譜信息，將對(duì)象作為最基本的空間表達(dá)方式，綜合考慮對(duì)象的光譜、形狀、坡度、相鄰關(guān)系等，實(shí)現(xiàn)多層次遙感圖像分類與目標(biāo)地物提取。

本文基于無(wú)人機(jī)遙感數(shù)據(jù)，利用面向?qū)ο蟮姆椒ㄌ崛≈行∫?guī)?；?，首先根據(jù)無(wú)人機(jī)影像高分辨率的特點(diǎn)與提取地物的特征，對(duì)傳統(tǒng)面向?qū)ο蠓椒ㄏ确指钤俜诸惖牧鞒踢M(jìn)行改變，在初次較小尺度分割并提取植被信息后，再次對(duì)分割結(jié)果進(jìn)行優(yōu)化，使分割與分類流程相結(jié)合。這樣的改變使初次植被信息提取更好的利用了影像的光譜信息，而分割優(yōu)化更好的保留了人工構(gòu)筑物的形狀特征。本文所采用的方法除了充分利用面向?qū)ο蠓椒ㄍ?，還加入了無(wú)人機(jī)航拍影像生產(chǎn)的高空間分辨率的數(shù)字正射影像和與其高匹配度的三維數(shù)字地表模型，這是以往航天和有人機(jī)航空遙感數(shù)據(jù)所不具備的，方法基本流程如圖2 所示，關(guān)鍵步驟包括影像分割、特征選取、建立規(guī)則集并分類。

圖2 基于面向?qū)ο蟮臒o(wú)人機(jī)數(shù)據(jù)分類基本流程圖

2.2 影像分割與分割參數(shù)

采用面向?qū)ο蠓诸惙椒〞r(shí)，為獲得較好的分類結(jié)果，必須先對(duì)影像數(shù)據(jù)進(jìn)行合適的分割[3]，其目的是將影像同質(zhì)區(qū)域劃分出來(lái)，分割的算法和尺度直接決定是否會(huì)分割不足或者過(guò)度分割，進(jìn)而會(huì)影響進(jìn)一步分類提取的效果。由于研究區(qū)地勢(shì)起伏較大，并且受太陽(yáng)高度角影響，影像上有較多光影區(qū)域，單一算法和尺度圖像分割難以將影像中不同地物清晰地區(qū)分。同時(shí)由于道路，建筑物等人工構(gòu)筑物的外表形態(tài)與自然地物差別較大，加入了數(shù)字地表模型與坡度數(shù)據(jù)參與圖像分割。通過(guò)充分實(shí)驗(yàn)，對(duì)比了不同分割算法與尺度下圖像分割結(jié)果，確定初次分割算法為多尺度分割方法，提取植被等自然地物信息后，采用光譜差異分割優(yōu)化分割結(jié)果。多尺度分割（multiresolution segmentation）是最常用的分割算法，它是給定尺度下局部最小化影像對(duì)象的異質(zhì)性，從單一像素對(duì)象開始的自下而上的區(qū)域合并技術(shù)[4]，具體參數(shù)如圖3 所示。光譜差異分割（spectral difference segmentation）是一種分割優(yōu)化手段，在已有影像對(duì)象的基礎(chǔ)上，通過(guò)分析相鄰對(duì)象的均值層亮度值是否滿足給定的閾值，決定是否將臨近的對(duì)象進(jìn)行合并[5]。提取植被等自然地物信息后，基于三維數(shù)字地表模型，根據(jù)高程與坡度屬性特征，采用光譜差異分割優(yōu)化分割結(jié)果，使過(guò)度分割的細(xì)碎地物（如道路）得到一定合并，使其更大程度保留其形狀特征，具體優(yōu)化效果如圖4 所示。

圖3 多尺度分割參數(shù)設(shè)置

圖4 多尺度分割結(jié)果與光譜差異分割優(yōu)化結(jié)果

2.3 特征選取及規(guī)則建立及分類

影像分割將影像劃分成若干影像對(duì)象，包含許多可以用于分類的特征，如光譜特征、幾何特征、地形特征、空間關(guān)系等[6]。目前，特征選取大多依靠經(jīng)驗(yàn)與實(shí)驗(yàn)，然后采用試錯(cuò)法建立規(guī)則。研究區(qū)內(nèi)感興趣地物主要類別為植被，道路，滑坡，通過(guò)實(shí)驗(yàn)分析其對(duì)應(yīng)特征如表1 所示。

表1 研究區(qū)內(nèi)地物特征分析

根據(jù)研究區(qū)內(nèi)主要地物特征，通過(guò)反復(fù)實(shí)驗(yàn)與比較，本文計(jì)算了光譜特征包括可見(jiàn)光差異植被指數(shù)VDVI、歸一化綠-紅差值指數(shù)NGRDI，幾何特征包括密度（density），地形特征包括坡度（slope），空間關(guān)系包括距離（distance），運(yùn)用了隸屬度函數(shù)與決策樹分類。其中VDVI 與NGRDI 計(jì)算方法見(jiàn)公式（1）與公式（2）所示，具體規(guī)則集如表2 所示。

表2 研究區(qū)分類規(guī)則集

3 提取結(jié)果與討論

通過(guò)前文介紹的基于面向?qū)ο蠓椒ǖ男畔⑻崛》椒?，本文將研究區(qū)內(nèi)的植被、道路、滑坡區(qū)域提取出來(lái)，最終分類結(jié)果與滑坡信息提取結(jié)果如圖5 所示。通過(guò)實(shí)地驗(yàn)證，其中滑坡區(qū)域?yàn)橹脖桓采w度低的砂土地，同時(shí)坡度較高，最大坡度均超過(guò)40°。在強(qiáng)降雨或其他影響下發(fā)生再次滑坡風(fēng)險(xiǎn)很高，且滑坡區(qū)域均位于山區(qū)道路周邊，發(fā)生滑坡后會(huì)給行人帶來(lái)巨大的危險(xiǎn)。

圖5 提取地物與真實(shí)地物分布圖

為檢驗(yàn)研究區(qū)內(nèi)信息提取的精度，以高精度數(shù)字正射影像為參考，通過(guò)目視解譯與結(jié)合實(shí)地考察確定地物具體詳細(xì)的分類情況，并通過(guò)手繪出研究區(qū)內(nèi)3 種主要感興趣地物真實(shí)分布圖（見(jiàn)圖5）。通過(guò)混淆矩陣的方式對(duì)提取結(jié)果進(jìn)行分析，得到混淆矩陣精度評(píng)價(jià)，如表3 所示。

由表3 可知，提取效果良好，總體精度為94.75%，滑坡區(qū)域提取生產(chǎn)者精度為81.46%，用戶精度為80.64%。滑坡提取數(shù)量為62 處，其中61 處驗(yàn)證為真實(shí)滑坡，滑坡提取數(shù)量基本與實(shí)際相符，但由于受到周圍地物光照陰影等影響，提取范圍有所偏差。經(jīng)實(shí)地驗(yàn)證，滑坡規(guī)模在20 m2～1 700 m2不等，未發(fā)生小規(guī)?；侣┨岈F(xiàn)象，對(duì)中小規(guī)?；绿崛”憩F(xiàn)出較大優(yōu)勢(shì)。

表3 基于面向?qū)ο蟮臒o(wú)人機(jī)數(shù)據(jù)分類精度評(píng)價(jià)

隨著大規(guī)?；A(chǔ)設(shè)施的建設(shè)，山區(qū)公路與鐵路修建越來(lái)越多，本文的方法同樣適用于其他山區(qū)滑坡提取。

4 結(jié) 語(yǔ)

本文以湖南省金童山國(guó)家級(jí)自然保護(hù)區(qū)內(nèi)某條盤山公路修建區(qū)域?yàn)檠芯繀^(qū)，通過(guò)無(wú)人機(jī)航攝獲取高精度正射影像與數(shù)字地表模型，采用面向?qū)ο蟮姆椒▽?duì)山區(qū)公路修建區(qū)域進(jìn)行了滑坡提取。通過(guò)反復(fù)實(shí)驗(yàn)獲取最優(yōu)分割算法和參數(shù)，同時(shí)將傳統(tǒng)面向?qū)ο蠓椒ㄏ确指钤俜诸惖牧鞒踢M(jìn)行創(chuàng)新，在植被信息提取后再次進(jìn)行分割優(yōu)化，將分割與分類流程結(jié)合，更好的提取出植被等自然地物，同時(shí)也最大程度保留了人工構(gòu)筑物的形狀特征。本文方法適用于山區(qū)滑坡提取，可以達(dá)到對(duì)監(jiān)測(cè)區(qū)域快速、低成本，準(zhǔn)確的?；绿崛。皶r(shí)對(duì)滑坡地區(qū)及時(shí)進(jìn)行邊坡治理，可以保障公路與鐵路基礎(chǔ)設(shè)施的安全，也可以避免山區(qū)內(nèi)的生態(tài)環(huán)境破壞。

由于研究區(qū)地勢(shì)起伏較大，且受太陽(yáng)高度的影響，無(wú)人機(jī)正射影像中有許多陰影區(qū)域，對(duì)影像光譜信息的利用存在一定干擾。同時(shí)，無(wú)人機(jī)影像數(shù)據(jù)量較大，在進(jìn)行分割與分類實(shí)驗(yàn)時(shí)，為獲取最優(yōu)分割參數(shù)與分類規(guī)則集，需要耗費(fèi)大量的時(shí)間進(jìn)行反復(fù)實(shí)驗(yàn)，且受制于無(wú)人機(jī)續(xù)航等因素，數(shù)據(jù)覆蓋范圍還比較小，有待今后進(jìn)一步提高。